AI浪潮中最隐蔽的陷阱

微软掌门人 Satya Nadella 近期发表长文，抛出一个概念：代币资本。

他指出每家企业都需同时经营两类资本：人的资本（员工的学识、洞察、人脉）与代币资本（企业构建并拥有的 AI 能力）。

二者并非相互侵蚀，而是叠加放大。

人的判断力越敏锐，代币资本增长越迅猛。缺乏人类在前端把控方向，算力不过是在原地空转。

"You can offload a task, or even a job, but you can never offload your learning."

任务乃至整个岗位可以外包，但学习能力永远无法外包。

企业如此，个人亦然。

个人竞争力 = 人力资本 × 代币资本

这是乘法，不是加法。加法公式中，一项薄弱还能靠另一项弥补。但乘法不行。任何一项趋近于零，整体就趋近于零。

不用 AI，你竞争不过单位时间产出比你高 10 倍的人。用不好 AI，你做不出基本水准的东西。但完全依赖 AI 而放弃自身积累，这才是最凶险的。

凶险之处在于，你完全察觉不到。

最近恰好看到 @ianneo_ai 在 X 发的这篇文章《知识库最尴尬的时刻：AI 写完了，我判断不了》，里面有这样一段话：

热衷于在 Obsidian 里面塞很多内容，各种文章、课程转录稿。但发现自己输出的时候，没啥用，自己不理解，所以 AI 出的内容我也判断不了。

他接着说了一个让人后背发凉的观察：以前不懂就写不出来，那时候知道自己没理解。现在 AI 能帮你写出来，你就很容易忽略，这里没理解的概念，那里尚未清晰的逻辑。

这就是乘法公式里最恐怖的情况：代币资本在涨，人力资本在跌，但你还以为自己提升了生产力。

在 AI 的加持下，输出质量没变，甚至变好了。但我们自己的判断力、理解力却在下降。

直到看着一篇还不错的内容，心里没底，暗自发怵。它说的对吗？

这是 AI 时代最隐蔽的幻觉。

Nadella 给企业的建议是"建立学习循环，让人力资本和代币资本复利增长"。

落到个人身上，就是两件事同时做：让 AI 帮你做得更多（代币资本），同时让自己变得更强（人力资本）。

大多数人只做了前半句，忽略了后半句

最近在 X 上爆火的《how to be good at research》，文章主要针对人工智能研究，但实际上可以应用于各个领域。

文章中提到的研究方法：先预测再验证，拿到结果后再修正。这是模型的训练过程，也能训练我们的大脑提升对研究主题的 taste。

在日常的实践中，我们可以拿到一个问题，先自己想：我觉得答案是什么？为什么？然后再问 AI。你的判断和 AI 判断之间的差距，就是学习发生的地方。

如果你每次都直接问 AI 要答案，你训练的是检索能力，不是判断力。

输出是最好的检验。你写不清楚、讲不清楚的东西，你就是没理解。

这里《how to be good at research》原文太好了，我直接放翻译的片段。

保罗・格雷厄姆曾提出：一个念头在落笔成文前，总会让人觉得完整无缺。可一旦写在纸上，藏在脑子里、被大脑自动遮掩的漏洞就会尽数暴露。

写作，是抵御自我欺骗成本最低的办法。达尔文更是把这套方法固化成了固定流程：但凡遇到和自身理论相悖的事实，他都会当场记录。他早已察觉，人的记忆总会下意识淡化不利证据，却牢牢记住有利佐证。做研究时，你的记忆也会同样过滤掉失败的试验过程。

因此一定要做好实验日志：写下研究假设、实验条件、预期结果、实际观测数据，以及修正后的推论。回头翻看一个月前的记录，带来的自省与警醒，是任何审稿人都无法给予的。

Claude Code 有一个 learning 模式，开了之后它不会直接帮你写完所有代码，而是在关键的设计决策点停下来，让你自己想，自己写几行。写完之后它告诉你这段代码跟更大的系统设计之间的关系。

配置路径：/config > output style > 选择 learning 模式

但这样对于无技术背景的小伙伴不友好，也降低了效率。

我更喜欢的方法，来自 Claude 团队成员的分享。

这个提示词是让 AI 在做完一轮复杂改动后，反过来向你解释，确保你能吃透项目细节。

给 Claude 发这段提示词，AI 能帮你搞清楚：

1. 问题：bug 为什么会存在，影响分支；

2. 方案：选择该方案的理由、取舍、各类异常边界处理；

3. 背景：改动的作用，会影响的范围。

这个提示词的聪明之处在于：AI 会先让你说自己的理解，再根据你的表达查漏补缺。如果听不懂你也可以要求 AI 给 5 岁孩童讲，或给实习生讲。最后还会用开放式的问题测试。

表达需求包括：搞清楚自己需要什么，让 AI 搞清楚你要做什么。

对你显而易见的，AI 并不一定了解。不怕说多，就怕说不清楚，或者漏说。有几个小技巧：

1）描述完需求后，不着急开始，先让 AI 复述"我们现在要做什么"。完全对齐后再进下一步。

2）你也可以直接让 AI 向你提问，一次只问一个问题，问到它觉得信息够用为止。

下方提示词来自 @charliejhills，你可以以此为参考，替换成你要做的其他事。

我正在搭建一个网站，需要一份名为 CONTEXT.md 的文件，用来存放搭建该网站所需的全部客观基准信息。

请你先向我提问收集信息，一次只问一个问题，提问范围包含：网站的核心定位、目标服务人群、网站必须具备的内容板块、访客进入网站后预期完成什么操作。持续提问，直到你掌握的信息足够完整，可以向一个完全陌生的开发者清晰完整地交代整套建站需求为止。

信息收集完毕后，展示你整理好的事实清单，等待我确认"同意"再进行下一步。

清单里只收录和网站业务主题相关的真实客观信息。

所有内容仅使用我回答的真实信息、以及你已掌握的客观已知内容，禁止编造任何信息。

最终整理成可直接下载的 Markdown 文件交付给我。

3）如果你需要做商业级的产品，可以用 YC 现任 CEO Garry Tan 推出的 gstack 系列 skill。

其中 office-hours 和 plan-ceo-review 这 2 个 skill 可以帮助你理清产品定位、业务模式。

先出设计文档、拆里程碑、列验收标准。文档确认后再开始写代码。

这一步可以用 Garry Tan 推的 gstack 里的 plan-ceo-review 和 plan-eng-review。

agent 会主动问你问题，通过这些问题形成共识，避免模糊不清就动手。

把你的写作规范、技术框架、常见错误全部写进一个 CLAUDE.md 文件。AI 犯错后让它分析原因，写进文档。

但文档不是越长越好，过长的 context 反而会降低 AI 输出质量。

具体可以看 @宝玉 的帖子：

人力资本强 → AI 输出的质量高 → 代币资本增长越快 → AI 帮你做更多高质量输出 → 你从输出中学到更多 → 人力资本继续增强。

Nadella 管这个叫"hill climbing machine"，一台不断向上攀登的机器。

跟大多数资产不同，这个飞轮效应。每一次更好的输出，都产生更好的反馈信号，加速你的知识积累。但飞轮反过来也成立。

人力资本下降 → 你判断不了 AI 的输出 → 输出质量你自己看不出问题但别人看得出 → 信任下降、机会减少 → 学习动力更低 → 人力资本继续下降。

这就是为什么 Nadella 反复说"你绝对不能把学习外包出去"。

最后，引用《how to be good at research》的内容作为结束：

知识积累与工作产出如同复利，会持续滚雪球式增长。

单看每一天的微小优势，都不值一提：你阅读的资料、留存的记录、迭代思考的速度、和你辩论切磋的同行。经年累月沉淀下来，最终造就旁人眼中好似全凭运气换来的事业成就。

不必等到迫不得已才开始积累，尽早行动。未来的你会明白，当下点滴耕耘，是成本最低、回报最高的投入。